9月16日消息,Google 发布两款实时语音到语音模型 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking。两个模型在 Gemini API 与 Google AI Studio 标注为 generally available(GA),模型列表把它们标为 Stable;消费者侧,3.8 Live 进入 Search Live,Extended Thinking 进入 Gemini Live,以及 Workspace 的 Docs、Gmail 与 Keep。企业侧,两条线的状态是 Gemini Enterprise 私人预览。 低延迟的 3.8 Live 与带后台推理的 Extended Thinking
Gemini 3.8 Live 的定位是低延迟语音智能体,官方把它列为大多数实时对话场景的默认选项,特点是不带推理延迟。Google 称它处理视觉输入接近实时,能在对话中间自动检测并切换 97 种受支持语言,并在后台执行工具与 API 调用,先回应请求、任务在后台完成。API 发行说明列的配套能力包括交错推理、默认异步函数调用与会话内客户端内容更新。
Gemini 3.8 Live Extended Thinking 面向高复杂度任务,支持实时音频交互中的后台推理。Google 的说法是它能边推理边表达,用"让我确认一下"这类早期口头提示承接请求,并在多步后台任务推进时实时叙述进度;官方演示里包括把草图与语音反馈转成可运行的 React 组件、以及在通话不中断的前提下串联多步预订与异步函数调用。
第三方数据:语音质量指数第一,Big Bench Audio 第四
这一节的名次与分数都来自 Artificial Analysis 的语音到语音页面,页面上的几项指数测的方向不同:Speech to Speech Quality Index 看语音质量,τ-Voice 与 Big Bench Audio 看任务完成与推理,Speech Agent Arena 与 Full Duplex Bench 来自盲测偏好与双工对话。Gemini 3.8 Live Extended Thinking(High 配置)在 Speech to Speech Quality Index 列第一,分数 82.6,其后是 OpenAI 的 GPT-Live-1(Astra,medium,81.5)、xAI 的 Grok Voice Think Fast 2.0 High(81.3)与 GPT-Live-1 的另一个配置(Sol,low,80.1)。标准版 Gemini 3.8 Live 在同一指数上为 76.0,列第五;排在它前面的是 Extended Thinking、GPT-Live-1 的两个配置与 xAI 的 Grok Voice Think Fast 2.0 High。 同一页面的分项里,Extended Thinking 在 τ-Voice 的任务完成率为 68.6%,列第一,第二名 GPT-Live-1(Astra,medium)为 67.9%;Big Bench Audio 上它得 97.7%,名次是第四,前三名是阶跃星辰的 StepAudio 3 Realtime(99.7%)、阿里云的 Qwen Audio 3.0 Realtime Plus(99.2%)与 Qwen3.5 Omni Plus Realtime(98.7%)。Google 博客在引用 97.7% 时没有给它排名。
人类盲测偏好是另一组数字,方向与推理指标相反。Speech Agent Arena 上,Gemini 3.8 Live 以 1083 的 Elo 列第二,榜首是 Gemini 3.1 Flash Live 的 Minimal 配置,1095.8;Extended Thinking(High)为 989.8,列第十。OpenAI 的两个 GPT-Live-1 配置在该榜为 1053.4 与 1048.2,xAI 的 Grok Voice Think Fast 2.0 High 为 1010.7,三条都排在 Extended Thinking 之前。
Full Duplex Bench 的对话动态分项上,Gemini 3.8 Live 得 96.1%,列第五;排在它前面的是阶跃星辰的 StepAudio 3 Realtime(98.9%)、阿里云的 Qwen Audio 3.0 Realtime Plus(98.4%)、GPT-Live-1(Sol,low,97.3%)与阿里云的 Qwen Audio 3.0 Realtime Flash(96.9%)。Big Bench Audio 上,Grok Voice Think Fast 2.0 High 得 97.2%,GPT-Live-1 的两个配置为 90.1% 与 89.0%,三个数字都低于 Extended Thinking 的 97.7%。
两款新模型在这些指标上不是同一档产品。质量指数相差 6.6 分,τ-Voice 上 Extended Thinking 的 68.6% 是标准版 30.1% 的两倍以上;人类盲测偏好与首次发声延迟两项上,占优的是标准版。
音频输入 0.005 美元/分钟,API 侧标注 GA
Google 的定价页把两款模型与 Gemini 3.1 Flash Live Preview 放在同一档:音频输入每百万 token 为 3.00 美元,或按 0.005 美元/分钟计;音频输出每百万 token 为 12.00 美元,或 0.018 美元/分钟;文本输入 0.75 美元、输出 4.50 美元;图片与视频输入每百万 token 为 1.00 美元,或 0.002 美元/分钟。免费层不收费。
按 Artificial Analysis 的页面口径,两款模型的输入成本折算成小时价并不相同:Gemini 3.8 Live 为 0.84 美元/小时,在测试数据里处于最低一档;Extended Thinking 为 3.50 美元/小时。这两个数字与按 0.005 美元/分钟乘以 60 得到的结果不一致。首次发声延迟上,3.8 Live 为 1.18 秒,Extended Thinking 为 1.35 秒。
开发者当天可以在 Gemini API 与 Google AI Studio 调用,两个模型 ID 是 gemini-3.8-live 与 gemini-3.8-live-extended-thinking。消费者侧,3.8 Live 的入口是 Search Live,用户把摄像头对准问题区域可以拿到分步音频指导;Extended Thinking 的入口是 Gemini Live,Google AI Pro 与 Ultra 订阅者可以在 Workspace 的 Docs 使用,所有 Google AI 订阅者可以在 Gmail 与 Keep 使用。
生态一侧,Google 点名 Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel 与 Vision Agents 在 Gemini Live API 上构建语音界面,Salesforce、Genspark 与 Lumeris 是合作方。安全方面,Google 各 AI 产品生成的音频加入 SynthID 隐形水印。
企业侧是另一种状态。两条线在 Gemini Enterprise 为私人预览,Google 的开放计划里还包括 Gemini Enterprise for Customer Experience 与 Workspace 企业客户。开放的日期,Google 没有给出。